基于期望实体比例损失的局部监督命名实体识别
计算与语言
2021-08-17 v1
摘要
我们研究在实体标注缺失情况下的命名实体识别器学习。我们将此设定视为带潜变量的标注，并提出一种新颖的损失函数——期望实体比例（Expected Entity Ratio），以在系统性缺失标签的情况下学习模型。我们表明我们的方法在理论上严谨且经验上有效。实验上，我们发现其在多种语言、标注场景与标注数据量下达到或超越强基线及最先进（SOTA）基线的性能。特别地，我们发现，在仅含 1,000 条有偏标注的具有挑战性设定下（跨 7 个数据集平均），其显著超越 Mayhew 等人（2019）与 Li 等人（2021）的先前 SOTA 方法，F1 分数分别高出 +12.7 与 +2.3。我们还表明，当与我们的方法结合时，一种新颖的稀疏标注方案在中等标注预算下优于穷尽标注。
引用
@article{arxiv.2108.07216,
title = {Partially Supervised Named Entity Recognition via the Expected Entity Ratio Loss},
author = {Thomas Effland and Michael Collins},
journal= {arXiv preprint arXiv:2108.07216},
year = {2021}
}
备注
Accepted in TACL 2021, pre-MIT Press publication version